黃 珍，劉 濤

（1.九江職業(yè)技術(shù)學(xué)院信息工程學(xué)院 江西，九江 332007；2.九江職業(yè)技術(shù)學(xué)院機(jī)械工程學(xué)院 江西，九江 332007）

引言

糧食保障是國民經(jīng)濟(jì)的重中之重，農(nóng)業(yè)發(fā)展一直是我國的長久大計，農(nóng)業(yè)持續(xù)發(fā)展，也伴隨著一系列問題，例如農(nóng)業(yè)生產(chǎn)周期長、成本高、農(nóng)業(yè)產(chǎn)品品質(zhì)參差不齊、化肥引發(fā)的環(huán)境問題等[1]。國家相關(guān)研究報告指出，我國的農(nóng)業(yè)作物施肥利用率僅35%，而發(fā)達(dá)國家這一指標(biāo)達(dá)到了65%，全國地下水硝酸鹽含量超標(biāo)50%，土地污染率近20%，數(shù)萬畝農(nóng)田受到重金屬污染[2]。由于我國的土地施肥體量巨大，也造成了土壤肥力的下降和經(jīng)濟(jì)資源的浪費(fèi)，長此以往會加劇生態(tài)環(huán)境污染問題[3]。

隨著科學(xué)技術(shù)的發(fā)展，精準(zhǔn)農(nóng)業(yè)技術(shù)可以改善上述一系列問題，該技術(shù)根據(jù)土壤特質(zhì)和農(nóng)作物習(xí)性來進(jìn)行土地精準(zhǔn)施肥，可以嚴(yán)格控制施肥量。既能合理利用肥料資源，又有效抑制了土地富營養(yǎng)化程度，最終確保農(nóng)產(chǎn)品的有效生長，有益于農(nóng)業(yè)作物可持續(xù)發(fā)展[4]。精準(zhǔn)農(nóng)業(yè)這一技術(shù)是信息科學(xué)發(fā)展的產(chǎn)物，主要原理是根據(jù)農(nóng)作物的生長習(xí)慣和土地的養(yǎng)分結(jié)構(gòu)進(jìn)行分析，合理利用化肥含量來保持化肥養(yǎng)分和農(nóng)作物產(chǎn)量之間的關(guān)系，利用精確控制的手段對農(nóng)作物進(jìn)行科技化管理。精準(zhǔn)農(nóng)業(yè)的實施，不僅減少農(nóng)業(yè)生產(chǎn)的成本投入，更促進(jìn)農(nóng)業(yè)產(chǎn)量的提升，極大地節(jié)省土地資源，使得生態(tài)環(huán)境得以改善并保持土地肥力[5]。

農(nóng)業(yè)科技發(fā)展有著多年的歷史，使用科學(xué)技術(shù)也解決很多農(nóng)業(yè)問題。1988 年神經(jīng)網(wǎng)絡(luò)技術(shù)產(chǎn)生，它是由Moody 和Darken 等率先提出，是一種具有自適應(yīng)結(jié)構(gòu)且性能優(yōu)異的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)[6]。該算法可以通過將非線性問題引出線性空間，選擇合適的算法解決實際問題，整個算法具有高準(zhǔn)確性和高效率[7]。目前國內(nèi)外對于農(nóng)業(yè)技術(shù)的研究正如火如荼地進(jìn)行，我國對于精準(zhǔn)農(nóng)業(yè)領(lǐng)域也開始展開研究，結(jié)合一系列實驗數(shù)據(jù)順利取得了多項農(nóng)業(yè)研究成果，并開發(fā)出適用于不同農(nóng)作物的農(nóng)業(yè)科學(xué)系統(tǒng)，其中包括小麥、棉花、水稻和玉米等農(nóng)作物培育系統(tǒng)[8]。我國的精準(zhǔn)農(nóng)業(yè)范圍涉及施肥控制、農(nóng)產(chǎn)品狀態(tài)預(yù)測、產(chǎn)量預(yù)測、病蟲害防治等方面，農(nóng)業(yè)業(yè)務(wù)系統(tǒng)發(fā)展全面，具備良好的態(tài)勢。

隨著神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用于各行各業(yè)，在農(nóng)業(yè)方面，可通過神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了生態(tài)農(nóng)業(yè)、數(shù)字農(nóng)業(yè)、精準(zhǔn)農(nóng)業(yè)等體系，精準(zhǔn)農(nóng)業(yè)很好的解決了施肥資源浪費(fèi)的問題。劉永利等[9]在2010年構(gòu)建了玉米精準(zhǔn)施肥系統(tǒng)，這項成果也是基于神經(jīng)網(wǎng)絡(luò)研發(fā)而來；Minrui ZHENG[10]在2011年通過數(shù)據(jù)采集的方法收集整理了華北地區(qū)小麥和玉米等農(nóng)作物的農(nóng)業(yè)生產(chǎn)資料，利用大數(shù)據(jù)技術(shù)建立了農(nóng)作物的精確施肥系統(tǒng)，根據(jù)地區(qū)土壤特性和農(nóng)作物生產(chǎn)規(guī)律而改變施肥量，該系統(tǒng)便捷且高效；劉運(yùn)韜等[11]在2015年利用BP神經(jīng)網(wǎng)絡(luò)開發(fā)出來測土配方施肥模型，其利用BP 神經(jīng)網(wǎng)絡(luò)對農(nóng)機(jī)的總動力和年份的映射函數(shù)等進(jìn)行相關(guān)研究，預(yù)測了農(nóng)機(jī)總動力的組合情況，對農(nóng)業(yè)技術(shù)的發(fā)展趨勢進(jìn)行了一定的預(yù)測。但是現(xiàn)有研究在種植密度與施肥量及產(chǎn)物的變化量之間的互相影響的研究中卻并未給出較為嚴(yán)謹(jǐn)且可實施的方法，因此本文將著重展開對基于神經(jīng)網(wǎng)絡(luò)算法的精準(zhǔn)施肥模型進(jìn)行建立及仿真分析[12]，從而獲得較優(yōu)的參數(shù)組合。

1 材料與方法

1.1 試驗地概況

試驗地地處江西九江，該試驗區(qū)年均溫度為5.7℃，年降雨量為601 mm，有效的積溫為2700℃。試驗區(qū)地勢平坦，常年雨量充沛，非常適合種植玉米。試驗田前期均無做過施肥試驗，且土壤具有較好的理化指標(biāo)。

1.2 試驗方案設(shè)計

在具體的試驗過程中，為了更好的對施肥量和種植密度進(jìn)行研究，在試驗中選擇種植密度、施N量、施P量等作為試驗的相關(guān)因素，其中為了更好的響應(yīng)玉米產(chǎn)量指標(biāo)，我們將不同的參數(shù)作用在玉米產(chǎn)量影響的試驗上，響應(yīng)的指標(biāo)數(shù)量越大則說明其研究的效果越好。試驗方案如下：首先，將試驗地分為15塊研究區(qū)域，并對其進(jìn)行隨機(jī)排列；其次，采用大壟雙行的種植模式對研究田進(jìn)行種植；然后根據(jù)試驗設(shè)計對種植的玉米進(jìn)行科學(xué)管理，待作物成熟后對其進(jìn)行收獲、人工標(biāo)識烘干、稱重以及記錄產(chǎn)量等，最終得出試驗方案結(jié)果。

1.3 試驗數(shù)據(jù)采集

試驗前期根據(jù)具體的施肥特性對試驗田進(jìn)行詳細(xì)的網(wǎng)絡(luò)劃分。具體操作為：試驗田整體尺寸為40 m×60 m，然后將整塊試驗田依據(jù)4 m×4 m 的網(wǎng)絡(luò)進(jìn)行劃分，并同時對劃分的地區(qū)進(jìn)行數(shù)據(jù)編號，從A1-A15 共分為15 塊研究區(qū)域[13]。然后按照網(wǎng)絡(luò)劃分試驗對每一塊試驗地進(jìn)行試驗數(shù)據(jù)的采集，采集的數(shù)據(jù)包括不同區(qū)域的土壤養(yǎng)分量數(shù)據(jù)、施肥量、玉米的預(yù)測產(chǎn)量等，最終采集得到的數(shù)據(jù)結(jié)果如表1所示。

表1 試驗田采集試驗數(shù)據(jù)表

2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)設(shè)計

2.1 基于BP神經(jīng)網(wǎng)絡(luò)算法概述

BP 神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建與訓(xùn)練和BP 神經(jīng)網(wǎng)絡(luò)的全局優(yōu)化這兩種方式都是對于BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化方式。BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)建最開始需要知道構(gòu)建模型的網(wǎng)絡(luò)層數(shù)量，接著是神經(jīng)元數(shù)量，掌握函數(shù)關(guān)系和數(shù)據(jù)歸一化范圍，最后對構(gòu)建模型層級權(quán)重和極值設(shè)定初始值。整體流程是利用大量的實驗，在實驗數(shù)據(jù)的基礎(chǔ)上進(jìn)行訓(xùn)練，逐步構(gòu)建學(xué)習(xí)型網(wǎng)絡(luò)模型，直至訓(xùn)練產(chǎn)生的網(wǎng)絡(luò)層神經(jīng)元與實際要求精度之間的誤差相差無幾，在此過程后保存網(wǎng)絡(luò)權(quán)重和極值來構(gòu)建激勵和響應(yīng)非線性關(guān)系響應(yīng)。

BP神經(jīng)網(wǎng)絡(luò)全局優(yōu)化的基本思路為隨機(jī)選取一個初始向量點(diǎn)X（0），判斷其梯度是否為零，若為零則X（0）為最優(yōu)解，反之則在一個步長的基礎(chǔ)上重新沿梯度方向找隨機(jī)點(diǎn)X（2），判斷條件為是否滿足約束，不滿足則減半步長，重新選取X（t）（t 為迭代次數(shù)且取大于零的整數(shù)），此時注意步長的值，若為零則X（t）為最佳計算結(jié)果，結(jié)束計算過程；反之步長不等于零且X（0）劣于X（t）時，用X（t）替換X（0）來完成一次迭代過程，緊接著基于X（0）開展后面的一系列迭代計算；另一種情況為步長不等于零但是X（t）劣于X（0），將繼續(xù)縮短步長來判斷X（t+k）（k等于大于零的整數(shù)）是否取得優(yōu)于X（0）結(jié)果，或者使得迭代終止。當(dāng)X（t+k）滿足優(yōu)于X（0）的條件時，將X（t+k）替換X（0）實現(xiàn)一次迭代，隨后基于X（0）進(jìn)行后續(xù)迭代計算。

當(dāng)X（1）與X（0）比較且滿足約束條件，X（0）劣于X（1）時，通過加大步長的方式得到一個X（2），如果X（2）優(yōu)于X（1）且滿足約束條件，同上述步驟加大步長，直到X（t-1）優(yōu)于X（t）或者約束條件不滿足，然后將上一步驟得到的點(diǎn)用X（t-1）表示，完成一次迭代過程，用X（t-1）替代X（0）來進(jìn)行后續(xù)迭代計算。當(dāng)X（0）優(yōu)于X（1）且X（1）符合約束條件時，通過縮短一半步長得到一個X（2），如果X（2）不符合約束條件，將繼續(xù)執(zhí)行步長減半操作，最終使得X（t）符合約束條件。當(dāng)X（0）優(yōu)于X（2）且X（2）符合約束條件，繼續(xù)縮短一半步長來達(dá)到X（0）劣于X（t）或者迭代終止條件。如果X（0）劣于X（t），用X（t）替代X（0）實現(xiàn)一次迭代，最后基于X（0）執(zhí)行后續(xù)迭代計算過程。

2.2 神經(jīng)網(wǎng)絡(luò)植密度和施肥量的數(shù)學(xué)模型建立

本文對于玉米種植密度和施肥量優(yōu)化模型的設(shè)計利用三層BP神經(jīng)網(wǎng)絡(luò)來構(gòu)建，分別包含輸入層、隱含層、輸出層。整體試驗選取四個變量分別為玉米種植密度、施K2O 量、施P2O5量、施N 量，設(shè)置x1、x2、x3、x4 四個輸入層神經(jīng)元分別為種植密度、施N 量、施P2O5量、施K2O 量；另外采用一個目標(biāo)函數(shù)，一個輸出層神經(jīng)元數(shù)量，玉米產(chǎn)量設(shè)置為變量y1，隱含層神經(jīng)元數(shù)通過下列公式計算：

其中p、n 和q 分別為隱含層、輸入層和輸出層節(jié)點(diǎn)數(shù)，z為1～10的經(jīng)驗值，通過計算可知隱含層神經(jīng)元數(shù)的大致范圍在4～12之間，進(jìn)一步網(wǎng)絡(luò)性能測試確定其真實數(shù)量為7。圖1展示了BP神經(jīng)網(wǎng)絡(luò)的詳細(xì)結(jié)構(gòu)。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

不管輸入層到隱含層還是隱含層到輸出層，單級Sigmoid函數(shù)都可以作為它們的傳遞函數(shù)，將種植密度、施肥量和產(chǎn)量三者之間結(jié)合得出目標(biāo)函數(shù)關(guān)系式：

式中f（）代表BP 神經(jīng)網(wǎng)絡(luò)輸入層到隱含層、隱含層至輸出層的傳遞函數(shù)單級Sigmoid函數(shù)；X=[x1，x2，x3，x4]T 和Y=[y1]分別代表為輸入向量和輸出向量；F（X）、W 分別為輸入與輸出之間的關(guān)系和輸入層與隱含層的權(quán)值矩陣；θ1、θ2和V分別為隱含層和輸出層的閾值、隱含層與輸出層的權(quán)值矩陣。

2.3 玉米種植密度和施肥量的全局優(yōu)化

在構(gòu)建具體模型時，首先使用神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)中隱蔽的激活函數(shù)進(jìn)行一定的監(jiān)測和選擇，務(wù)必使用相匹配的激活函數(shù)進(jìn)行綜合構(gòu)建，這樣才能使構(gòu)建的模型更加的穩(wěn)定和精準(zhǔn)[14]。經(jīng)過一定的計算分析，本文選用高斯函數(shù)為本次試驗中精準(zhǔn)施肥模型構(gòu)建的激活函數(shù)，具體函數(shù)形式如公式（3）所示。

經(jīng)過相關(guān)計算可以得出具體的非線性的映射形式的方程為：

3 模型仿真及結(jié)果分析

在具體的試驗中，對采集到的試驗田數(shù)據(jù)進(jìn)行分類概況，將樣本數(shù)據(jù)中的土壤養(yǎng)分含量、實際的施肥量以及玉米的實際產(chǎn)量進(jìn)行試驗數(shù)據(jù)的分析，將無效的樣本數(shù)據(jù)進(jìn)行去除，保留有效信息共15個，并將有效的樣本數(shù)據(jù)信息進(jìn)行訓(xùn)練集的認(rèn)證，10個進(jìn)行驗證集認(rèn)證，10個進(jìn)行測試集的認(rèn)證。其10 次的BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化的計算結(jié)果如表2所示。

表2 10次BP神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果

根據(jù)表2可以對BP神經(jīng)網(wǎng)絡(luò)的起始點(diǎn)和優(yōu)化解進(jìn)行研究，然后將訓(xùn)練穩(wěn)定的數(shù)據(jù)模型應(yīng)用到玉米產(chǎn)地的精準(zhǔn)試驗作業(yè)中，并對試驗田中的玉米土壤信息進(jìn)行精準(zhǔn)施肥量的具體測試[16]，可以得出該試驗田最佳的玉米產(chǎn)量為15209.48 kg/hm2。然后對構(gòu)建好的系統(tǒng)BP模型的網(wǎng)絡(luò)誤差進(jìn)行系統(tǒng)仿真，其最終仿真結(jié)果如圖2所示。

圖2 精準(zhǔn)施肥模型網(wǎng)絡(luò)預(yù)測誤差

圖2所表示的是神經(jīng)網(wǎng)絡(luò)算法精準(zhǔn)施肥模型的網(wǎng)絡(luò)預(yù)測誤差圖，從圖中可以得到所構(gòu)建的模型對于試驗田土壤中N、P、K 含量的預(yù)測相對較為準(zhǔn)確，且相對誤差處在0.1%左右，其中較高的誤差也只有0.25%左右[17]。因此從試驗結(jié)果以及仿真結(jié)果中來看，可以較為明顯的看出所構(gòu)建的精準(zhǔn)施肥模型所預(yù)測到的值與實際測量出的值基本處于吻合狀態(tài)。利用BP 網(wǎng)絡(luò)神經(jīng)對實際試驗田的玉米產(chǎn)量進(jìn)行驗證，結(jié)果如表3所示。

表3 基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的玉米產(chǎn)量結(jié)果驗證表

因此可見，試驗結(jié)果充分證明了所構(gòu)建的模型在實際的預(yù)測中有著較高的擬合精度，誤差范圍較小，有著較高的預(yù)測精度。所構(gòu)建的基于BP 神經(jīng)網(wǎng)絡(luò)算法的精準(zhǔn)施肥模型在玉米的最終產(chǎn)量上有著較大的優(yōu)勢，完全可以滿足農(nóng)業(yè)生產(chǎn)的需求，提升農(nóng)業(yè)水準(zhǔn)。

3 討論

通過對BP網(wǎng)絡(luò)神經(jīng)的模型結(jié)構(gòu)進(jìn)行構(gòu)建及設(shè)計，確定了在玉米精準(zhǔn)施肥過程中，神經(jīng)網(wǎng)絡(luò)的作用，很明顯在產(chǎn)量上有著較為顯著的差異性。其中BP 神經(jīng)網(wǎng)絡(luò)算法的構(gòu)建，首先應(yīng)該對其神經(jīng)元的網(wǎng)絡(luò)層以及數(shù)量進(jìn)行綜合確認(rèn)比對，利用函數(shù)的歸一化選擇進(jìn)行模擬量的構(gòu)建，通過確定的模型層級和初始設(shè)定值對網(wǎng)絡(luò)神經(jīng)進(jìn)行計算分析，最終便可得到適合本次研究的最終算法模型，并將其合理利用到相關(guān)的研究中。文中最終確定利用三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行綜合構(gòu)建，將輸入層、隱含層、輸出層充分應(yīng)用到設(shè)計之中，對試驗田中玉米種植密度、施K2O 量、施P2O5量、施N 量4 種化學(xué)量進(jìn)行檢測，通過與最終的產(chǎn)量進(jìn)行對比，確定了該模型的合理化與實用化。試驗結(jié)果表明，所建立的模型在玉米種植產(chǎn)量中具有較高的擬合度，說明本模型的適用性和實用性。當(dāng)前科學(xué)技術(shù)不斷發(fā)展進(jìn)步，可以合理的使用該模型進(jìn)行農(nóng)業(yè)生產(chǎn)，以此提升產(chǎn)能。

4 結(jié)論

信息技術(shù)大力發(fā)展，科學(xué)技術(shù)、人工智能充斥著各個領(lǐng)域，并且以更加迅猛的速度向前發(fā)展。這也影響到我國傳統(tǒng)農(nóng)業(yè)的發(fā)展，信息技術(shù)的發(fā)展促使農(nóng)業(yè)技術(shù)轉(zhuǎn)向現(xiàn)代科學(xué)的智慧農(nóng)業(yè)技術(shù)。而在具體的農(nóng)業(yè)技術(shù)中，施肥是其中的重中之重，對農(nóng)作物的后期生長和產(chǎn)量起著決定性的作用，因此本文主要結(jié)合了BP網(wǎng)絡(luò)神經(jīng)元的計算方法對玉米的精準(zhǔn)施肥模型進(jìn)行了構(gòu)建，可以在提高農(nóng)作物產(chǎn)量的同時，也對當(dāng)?shù)亟?jīng)濟(jì)的發(fā)展提供大力的技術(shù)支撐。

文章從具體的試驗以及仿真出發(fā)，建立了基于BP神經(jīng)網(wǎng)絡(luò)的施肥模型，并對該模型進(jìn)行研究，從研究結(jié)果來看，BP模型較傳統(tǒng)單一的算法模型更具魯棒性，在算法的穩(wěn)定性和結(jié)果的精度方面都有著較為高質(zhì)量的提升。通過具體的試驗，系統(tǒng)性的對神經(jīng)網(wǎng)絡(luò)算法的精準(zhǔn)施肥模型進(jìn)行了相關(guān)的構(gòu)建，并對其進(jìn)行仿真分析。結(jié)果顯示，所構(gòu)建的模型在很大程度上有著精度高、效率高的特點(diǎn)，在解決非線性的相關(guān)問題時，收斂速度較為高效且具備較強(qiáng)的收斂性。通過具體試驗仿真分析表明該模型在實際的農(nóng)業(yè)生產(chǎn)中對土壤的擬合度有著較高的契合度，并且在玉米產(chǎn)量與精準(zhǔn)施肥實施中能夠起到輔助性的作用，完全可用于玉米產(chǎn)業(yè)的實際生產(chǎn)過程，為農(nóng)業(yè)項目實施中的精準(zhǔn)施肥提供高效可靠的技術(shù)依據(jù)。